预测cd期限结构- siegel模型和基于机器学习

文摘

在这项研究中,我们分析信用违约互换(CDSs)的期限结构和预测未来利率期限结构- siegel模型,使用递归神经网络(RNN),支持向量回归(SVR),长期短期记忆(LSTM)和组的数据处理方法(GMDH)使用cd期限结构数据从2008年到2019年。此外,我们评估的变化预测模型通过亚纪的性能分析。根据实证结果,我们确认- siegel模型可以用来预测不仅利率期限结构,而且信用违约掉期期限结构。此外,我们表明,机器学习模型,即SVR, RNN, LSTM, GMDH,比模型驱动方法(在本例中,- siegel模型)。在机器学习方法,GMDH展示了最好的性能预测CDS期限结构。根据亚纪分析,所有模型的性能与数据不符。所有的模型都是在高度不稳定的数据难以预测的时间比在不稳定的时期。本研究将使交易员和政策制定者的有效投资,使政策决定当前和未来的风险因素的基础上,一个公司或国家。

1。介绍

信用违约互换(CDS)是一种基于信用风险信用衍生品,类似于债券。信用违约掉期和债券的价格变化取决于参考实体的风险。如果参考实体有更高的风险,则设置cd传播更高。管理信用风险,我们可以使用CDS合约。CDS卖方(保护卖方),确保保护买方在发生信用违约风险,如破产的参考实体,不偿还债务,或者,在主权债券的情况下,暂停。有两种方式保护保护卖方赔偿买方损失。首先是购买标的资产在票面价值;第二个是支付剩余价值和面值之间的区别。这样,保护买家可以规避信用风险和卖方提供cd蔓延至保护。

CDS的传播是一个保护买家支付的保险费用保护卖家,经常的季度。它的价值是由信用违约的概率等因素和回收率。回收率是债券价值的比例参考实体提供保护买家信用违约发生时。因此,如果回收率高,CDS利差将低。CDS传播将会很高,如果违约率高,这表明高信用违约的概率。因为cd表明机构或国家的破产风险传播,这是一个重要的经济指标,正在积极进行交易。根据国际清算银行(bis), CDS合约的杰出的名义总额是2019年上半年的7.809万亿美元。

迄今为止,许多研究已经进行的预测金融资产价值。例如,李和Tam (1不同组分使用]预测股票价格变动的递归神经网络(RNN)和支持向量机(SVM)。陈等人。2)预测中国股市的运动使用很长一段短期记忆——(LSTM)基础模型。高et al。3)也使用LSTM预测股票价格。然而,很少有研究进行预测CDS期限结构。肖et al。4]- siegel模型1 -,使用5 -,10天的预测相比,信用违约掉期曲线和它的效率与随机游走方法。他们表明,尽管天预测不是很有效,5 - 10天的预测的准确性优于随机游走模型。Avino和Nneji5]预测每日报价iTraxx欧洲CDS指数使用线性和非线性预测模型,如自回归(AR)和马尔可夫切换AR模型。他们发现AR模型通常优于马可夫转换模型,但样本马可夫转换模型提供了一个良好的适合iTraxx指数数据。Sensoy et al。6)排列熵用来测试在一些国家CDS市场的弱式效率。他们发现,CDS市场可以有效的危机时期,这意味着危机对CDS市场效率的影响是有限的,和亚洲市场表现优于其他测试市场的效率。此外,他们之间呈负线性相关国家的cd效率和日常cd的水平。Neftci et al。7)断言,CDS市场提供独特的违约概率信息。他们表明,CDS所提供的资料对主权债券的违约风险比债券的信息更准确的传播提供了相应的财政使用基于马尔可夫过程的随机微分方程。Duyvesteyn和马顿斯8)使用主权债券的结构模型从灰色et al。9)来预测汇率回报和波动性变化如何影响市场cd扩散运动。模型的结果,如违约概率和利差,CDS利差有紧密的关联。他们的结果也拒绝了他们的假说,主权信用价差的变化与主权市场利差的变化。

正如上面提到的,一些研究试图预测各种金融市场指数与机器学习方法;然而,CDS期限结构研究是有限的。cd期限结构反映了货币政策的条件和公司的未来预期风险。cd传播可以分为两种类型。第一个是主权CDS,国家作为其参考实体。主权CDS利差反映了一个国家的信誉。即主权CDS传播可以被视为衡量主权信用风险(10]。此外,主权CDS利差归因于全球风险,包含一些组件根据锅和单例(11和龙斯达夫等。12]。研究主权CDS包括锅和单例(11),龙斯达夫et al。12),Blommestein et al。10),Galariotis et al。13),斯利瓦斯塔瓦等。14],何鸿燊[15),和奥古斯汀16]。其他类型的cd是写关于一个参考实体,所谓的单名信贷违约掉期。此外,光盘行业指数是基于最具流动性的5年任期,也同样加权,反映平均midspread计算给定索引的选民。然而,单名CDS利差的液体远远低于指数(17- - - - - -19]。在一些研究中,单个行业的信誉调查使用cd部门数据(19- - - - - -22]。

CDS期限结构很重要,因为它集成了两个市场的未来预期风险和企业通过提供CDS利差。因此,我们可以确认从CDS期限结构,各种类型的信息,如公司杠杆和波动,如图所示,汉族和周23]。此外,理解的意义的期限结构也为我们提供了一个方法提取这些信息和预测金融事件的影响和风险。cd,尽管大量的研究试图预测它的期限结构的研究仍然很少。

在这项研究中,我们分析了CDS期限结构,尤其是主权CDS,预测它使用机器学习模型,确定最合适的模型预测cd期限结构。我们认为模型驱动和数据驱动方法:- siegel模型,RNN, SVR, LSTM, GMDH。- siegel模型,模型驱动的方法,设计了适合收益率期限结构;然而,在这项研究中,它是安装cd期限结构提取期限结构参数和预测CDS期限结构与AR(1)模型。SVR, RNN LSTM, GMDH专攻预测时间序列数据的机器学习模型。RNN记下先前的信息,用它来预测未来的信息。LSTM RNN基本上是一样的;然而,根据一些计算它只记下重要的信息。SVR来源于结构风险最小化原则(24),在许多领域已被用于预测(25- - - - - -27]。GMDH网络的机器学习方法,是一个系统识别方法,已在各个领域使用的工程模型和预测未知或复杂系统的本质基于给定组multi-input-single-output数据对(28- - - - - -30.]。

机器学习在各领域的广泛应用,分析数据和预测未来流量。例如,燕和欧阳31日)的效率相比LSTM模型在金融时间序列数据预测与其他机器学习模型,如支持向量机和再。门敏和金32),燕和欧阳31日),曹et al。33),费舍尔和克劳斯(34]分析了使用机器学习和预测财务数据。机器学习是广泛用于医学研究。Thottakkara et al。35),Motka et al。36),Boyko et al。37],Tighe et al。38研究和预测各种疾病和临床数据和机器学习模型。许多研究也一直在进行使用机器学习来预测天气。崔et al。39],Haupt和Kosovic [40],李承晚和Im [41),和詹姆斯et al。42预测天气状况进行了研究。马等。43和李et al。44)使用卷积神经网络(CNN)预测交通网络。此外,GMDH已经广泛用于时间序列预测(45- - - - - -47]。在这些研究中,我们将运用机器学习方法预测CDS期限结构和识别最有效的方法。没有很多研究对金融数据使用机器学习方法与其他地区相比,和我们所知,这工作是第一个提出为cd数据预测模型。因此,尽管有许多预测方法,我们特别关注方法通常用于对时间序列数据的预测,比如LSTM, RNN, SVR, GMDH。

- siegel作为模型驱动方法和方法论上,我们采用RNN, LSTM SVR, GDMH数据驱动的方法来预测CDS期限结构的时期(2008 - 2019)。我们优化数据驱动的模型使用一个网格搜索算法和Python的技术堆栈。此外,这些测试是探索使用亚纪分析调查的变化模型在实验期间的表现。具体来说,我们将整个样本期间分为两个亚纪:2008年1月- 2011年12月(亚纪1)和2012年1月- 2019年12月(亚纪2),因为亚纪1包含金融市场动荡由于全球金融危机和欧洲债务危机。通过这个亚纪的分析,我们研究所有方法的预测性能的变化在两个高方差和相对低温度差的数据。这种亚纪在其他研究分析常见[48- - - - - -51]。

在时间序列预测、序列模型、要么RNN LSTM,或两者的结合,是常用的由于考虑的时间。序列模式识别作为一个订单,可以查看它如何改变根据订单;因此,它可以应用于数据,如天气和融资。根据Siami-Namini Namin [52和麦克纳利等。53),神经网络(NN)模型,如RNN LSTM,优于传统算法,以他们的自回归综合移动平均(arima),当使用财务数据或比特币的价格。麦克纳利et al。53]也LSTM使用不稳定的比特币的性能数据,评估和科尔特斯et al。54从危地马拉共和国)使用数据来预测紧急事件。此外,已知LSTM比RNN因为它修改正确RNN的缺点;然而,它似乎取决于数据集。例如,Samarawickrama和费尔南多55)表明,LSTM展出精度高于RNN当预测股票价格。然而,Selvin et al。56)还与LSTM RNN相比在预测股票价格,发现RNN LSTM表现出来。因此,在本研究中,我们使用RNN和LSTM确认是否LSTM优于RNN当预测CDS利差。最终,进行本研究的动机比较cd - siegel模型和预测性能之间RNN, LSTM, SVR,和GDMH模型,确定模型驱动和数据驱动方法的区别。

本文的组织结构如下:在下一节中,我们审查的数据集和现在的统计摘要cd期限结构;我们描述我们的方法:- siegel, RNN SVR, LSTM, GMDH,和我们解释hyperparameter cd期限结构优化及其应用;第三节提出我们的预测结果在cd期限结构与各种误差估计和演示了每个模型的性能;和第四节提供了摘要和结束语。

2。数据描述和方法

2.1。数据描述

CDS传播可以分为几类。分类方法通常依赖于信用事件的框架。完整的重组条款是标准的术语。在这种情况下,任何重组事件可能是信用事件。修改后的重组条款限制了机会主义行为的范围时,卖家重组协议不会导致损失。尽管重组协议仍视为信贷事件,该条款限制那些成熟的交付义务少于30个月后,CDS合约的终止日期。根据修改后的合同选项,任何重组事件,除了双边贷款的重组,可能信用事件。此外,modified-modified重组项介绍因为修改重组过于严重限制的交付义务。在这一项下,到期交付的资产必须小于60个月重组义务和所有其他义务的30个月。根据无重组合同选项,所有重组事件排除根据合同为“触发事件。”

对于这种类型的光盘,我们将使用一个完整的重组主权CDS传播数据集因为其他长期数据不可用。主权CDS利差反映了市场参与者对一个国家的信用评级。我们的数据从2008年10月至2019年10月,期限6个月和1,2,3,4,5,7,10、20、30年。所有数据都来自Datastream数据和对应的每日收盘价cd蔓延。CDS的期限结构传播通常显示向上倾斜的曲线,见图1。此外,CDS利差似乎更低,因为他们更接近当前日期,没有例外。表1提供光盘数据的汇总统计。我们也可以验证传播有较长期公债价格上涨意味着和百分位。有趣的是,标准差也更高的成熟度时更长,这意味着市场预测是高度不稳定的长时间。

2.2。- siegel模型

纳尔逊和西格尔57)模型提出了一个简洁的,它被广泛用于预测利率期限结构。公式如下: 在哪里time-decay参数;是成熟;和 , ,和是三个- siegel参数。长期收益率曲线的重要组成部分,它不衰减到0,所有期限保持不变。是短期因素,从1开始,但很快衰减到0。最后,从0开始,增加腐烂之前返回0;因此,它是中期,创建一个驼峰的收益率曲线。

- siegel模型是一个简单但有效的期限结构进行建模的方法,以及各种研究用模型来预测收益率曲线或其他期限结构。例如,肖et al。4]预测cd - siegel模型适合使用信用违约掉期曲线。郭et al。58]- siegel模型使用模型隐含波动率期限结构。GrØnborg和Lunde [59)用它来模型未来的石油合约的期限结构和预测这些合约的价格,而西(60确定未来农业大宗商品的价格。特别是,CDS期限结构有很强的与利率期限结构的关系。例如,陈等人。61年)发现,利率因素不仅影响信用利差的变动还预测未来信用风险动态。他们声称利率变动影响的不同频率成分cd期限结构在各工业部门和信用评级类。具体来说,信贷环境恶化会导致未来的宽松货币政策,导致低当前远期利率曲线。相反,正面冲击窄信贷利率期限较长的传播。Tsuruta [62年]试图分解和cd期限结构风险和收益率nonrisk组件结构,发现信用风险有负面关系到本地股票市场。

在这项研究中,我们试图适应cd - siegel模型通过估算time-decay曲线的参数和- siegel参数 , ,和 。我们可以估计- siegel参数使用各种模型,如autoregressive-moving-average, ARIMA (ARMA),并选择最准确的模型。例如,肖et al。4)用AR(1)估计过程 , ,和 。在这里,我们使用了AR (1) - siegel参数和time-decay参数估计过程。错误措施均方误差(MSE)、根均方误差(RMSE),平均百分比误差(MPE),平均绝对百分误差(日军)和平均绝对误差(MAE)比较该方法与其他方法的效率,如RNN或LSTM。

2.3。SVR

SVR来自支持向量机是一种机器学习领域模型。支持向量机是一种算法,它返回一个超平面,将训练样本分成两个标签,积极的和消极的。我们将最接近的点之间的距离和超平面作为“,”和支持向量机的目标是最大化利润的确定超平面。有两种类型的保证金。第一类是硬,对于线性可分的数据集,这意味着每一个点没有违反其标签。换句话说,所有的点可以分为超平面的标签。第二个是柔和的边缘,这是不可分的情况下。在这种情况下,一些点的数据集,称为“离群值”,错误地分类。有两种方法可以选择一个柔软的超平面。一方面,我们可以使利润更大,更多的错误(异常)。 This is usually used for datasets that have only a small number of outliers. On the other hand, we can choose a hyperplane that has a small margin and minimize the empirical errors. This is useful for datasets with dense point distributions, where it is difficult to separate the data explicitly.

另外,内核技巧可以用于线性不可分的数据集。内核是一个函数,把来源数据点映射到一个高维数据集是可分的。它之所以被称为“内核技巧”,虽然数据集的维数增加,算法并不会增加太多的成本。

支持向量机起源于Vapnik和Chervonenkis统计学习理论。支持向量机的特征思想是结构风险最小化,而人工神经网络(ann)最小化经验风险。此外,支持向量机理论表明比关节神经网络更好的预测,根据Gunn et al。63年和微积分64年]。

SVR来源于SVM。它是一种基于非线性的方法,主要思想是确定一个函数的偏离实际数据坐落在预定的范围内。SVR应用于一个给定的数据集 ,在哪里是输入向量,是输出,数据点的总数。介绍了配方由Perez-Cruz et al。65年]。SVR假定函数是一个非线性函数的形式 ,在哪里和分别的重量和常数。代表一个特征空间的映射函数。然后,权向量和常数估计通过最小化如下优化问题: 在哪里 指定的值和吗和松弛变量指示上下约束,分别。设置 ,方程(3)和(4)成为 - - - - - -Vapnik损失函数。正则化参数,是一个非线性变换到一个高维空间,也称为特征空间。

使用拉格朗日乘数法和Karush-Kuhn-Tucker条件,优化问题的对偶问题(2)- (4)可以得到:

为了解决上述问题,我们不确定的非线性函数 。解决方案可以获得 在哪里 被称为核函数,定义为 。任何内核函数满足Mercer的条件可以作为核函数(参见Mohri et al。66年])。

内核有一个重要的选择对其预测性能的影响。这是一种常见的做法估计一系列潜在的设置和使用交叉验证对训练集来确定最好的。在这项研究中,我们使用三个内核函数:多项式,高斯,乙状结肠,如表所示2。

曹和泰67年)提供了一个敏感的支持向量机参数C和 。 和发挥重要作用在SVR的性能。因此,有必要正确选择这些参数。

2.4。RNN

安是一个分类或预测过程,模仿人类的神经元。生成一个简单的ANN模型的输出乘以权重分配到输入数据。比较后输出数据与实际值预测,我们创建新的权重调整根据错误。权重乘以步骤的输入数据被称为向前传播,和误差计算的步骤和权重调整叫做反向传播。ANN模型的最终目标是确定的重量最小化预测和目标之间的误差值。

CNN是一种机器学习方法,使用神经网络算法。它由卷积层、汇聚层和神经网络层。卷积层使用一个“过滤器”来分析数据,通常矢量图像数据。过滤器分析小部分移动时在整个数据集,和每个部分表达数据池的“特性”层。

一个RNN是另一个代表一个特殊的隐层神经网络模型。而一个简单的神经网络反向传播算法和调整权重减少预测误差,RNN的隐层,隐层的修改之前的状态。每次算法操作,RNN隐藏层影响下一个隐藏层的算法。因为它的特点,RNN是一个优化的方法来分析和预测非线性时间序列数据,如股票价格。这是一个算法操作与输入和输出数据序列。它可以返回一个单一的输出从一个或多个输入数据并返回多个输出从一个或多个输入数据。其特点之一是,它返回隐藏在每个时间步的输出层,同时将它作为输入数据发送给下一层;我们将演示在图的简化结构2。RNN隐藏层中的存储单元,它返回的输出通过各种激活功能,如乙状结肠和softmax功能。记忆细胞记忆前一个时间步的输出循环,并使用它作为输入数据。例如,在一个特定的时间 ,前一个时间步的输出和输入的时间步作为输入数据,输出是输入数据的下一个时间步 。

RNN的最大区别和CNN或多层感知器(MLP) CNN和延时不考虑在后续的步骤中以前的状态数据,但RNN认为以前的输出状态和输入的现状。此外,优化处理顺序数据,用于文本、音频和视觉数据处理。

然而,RNN消失梯度问题长反向传播过程。RNN的算法是基于梯度下降并修改其重量在每个时间步后向前传播的过程。重量与错误修改差异与重复这些迅速收敛到零backpropagation-this称为梯度消失的问题。为了解决这个问题在长期时间序列数据,LSTM广泛应用。

2.5。LSTM

为了解决RNN的梯度消失问题,Hochreiter[的和。施密德胡贝尔表示68年[的]提出LSTM,蒙古包和。施密德胡贝尔表示69年)添加了一个忘记门去改善它。RNN认为之前的所有时间步的记忆,而LSTM只选择必要的记忆传递到下一个时间步,使用一种算法在一个特殊的细胞称为LSTM细胞。每个细胞都有一个忘记门,输入,输出,和长短期记忆( , )通过这些细胞,如图3。

输入数据删除、过滤、和添加到长期记忆忘记门。忘记门通常使用一个s形的函数作为激活函数,输入数据转置和短期记忆数字从0到1。这意味着如果忘记门的输出接近于零,然后大部分的信息不会通过;如果输出是接近1,那么大部分的信息将传递到下一个细胞。接下来,输入盖茨决定哪些数据输入和短期记忆必须添加后替换和 。

生成新的候选向量可以被添加到当前电池状态,和决定的信息保存生成的。使用乙状结肠函数相同的方式忘记门具有相同的含义,即。,如果该值是接近1,那么大多数将通过,如果它是接近于零,那么最多不会在这个细胞。计算值和忘记登机口与输入值。乘以与 ,前一个时间步的信息量细胞会记住。最后,输出门决定哪些数据将被输出每个单元,考虑到内存, 。

由每个门的过程表示如下:

和的重量是和 ,分别。例如,输入数据的重量吗输入门 。

开发一个LSTM模型,我们必须分配的初始值和 。如前所述,齐默尔曼et al。70年),我们最初的记忆项值设置为零。LSTM广泛应用于时间序列预测数据;然而,由于其复杂性,钟等。71年)设计了一个简单的模型称为封闭的复发性单元(格勒乌),而采用LSTM的优点。格勒乌由重置门,决定如何添加新的输入数据前面的细胞记忆,和一个更新门决定之前的细胞保存的内存数量。然而,随着我们的数据集不是很大,我们使用了LSTM相比其性能预测模型和cd RNN的期限结构。

2.6。GMDH

GMDH是一种机器学习方法基于启发式自组织原理,提出Ivakhnenko [72年]。GMDH的优点是,各种注意事项,包括层的数量,在隐藏层神经元和优化模型结构,自动确定。换句话说,我们可以运用GMDH模型复杂系统没有先验知识的系统。

假设有一组变量组成的 和一个变量。GMDH算法模型代表一个作为一组不同对每一层的神经元连接通过二次多项式,并产生新的神经元的下一层(28,73年]。图4显示了简化结构。正式的GMDH算法的识别问题是确定一个函数可以用来预测输出对于一个给定的输入向量 尽可能接近其实际输出而不是实际的函数 。因此,我们可以描述观察多输入、单输出数据对如下:

我们训练GMDH网络预测输出对于任何给定的输入向量 ,这是作为

现在,GMDH网络是由最小化样本之间的差异的平方求和输出和模型预测,也就是说,

一般的输入和输出变量之间的联系可以通过一系列沃尔泰拉的表达功能: 在哪里 输入变量向量和吗 是权重向量。方程(10)被称为Kolmogorov-Gabor多项式28,45,72年,74年,75年]。

在这项研究中,我们使用两个变量的二阶多项式函数,即写成

GMDH网络的主要目的是建立一般的输入和输出变量之间的数学关系给出了方程(10)。权重在方程(11使用回归技术)估计,这样实际产出之间的区别( )和计算输出( )是最小化,形容

这些参数可以获得多重回归使用最小二乘方法,我们可以计算他们通过求解矩阵方程。请参考[28,29日,46,76年)参数估计过程的详细描述。GMDH网络可与各种算法,如遗传算法(77年,78年),奇异值分解(28),和反向传播(29日,46,73年,79年- - - - - -81年]。我们也改善了GMDH网络使用反向传播。

2.7。Hyperparameter优化

Hyperparameter优化指的是hyperparameters确定最优值的问题,必须建立提前进行培训,可以完成训练模型的泛化性能的最高水平。深度学习的模型,例如,学习速率,批量大小,等可以被视为hyperparameters,在某些情况下,他们可以添加目标勘探hyperparameters决定深度学习的结构模型,如层数和卷积过滤器的大小。Hyperparameter优化通常包括手动搜索,网格搜索和随机搜索。

手动搜索是一种为用户设置hyperparameters分别根据自己的直觉和比较表演。在选择候选人hyperparameter价值观和执行培训使用,性能结果与验证数据集记录,重复这个过程几次演示选择hyperparameter值最高的性能。这是最直观的方法;然而,它有一些问题。首先,它是相对难以确保最优hyperparameter价值实际上是确定最优,因为过程,确定最优hyperparameter受到用户的选择。第二,问题变得更加复杂当试图寻找几种类型的hyperparameters。因为有一些类型的hyperparameters相互影响与他人的关系,很难对每个hyperparameter应用现有的直觉。

网格搜索方法选择候选人hyperparameter值在一个特定部分定期搜索,记录每个人的性能结果测量,展示了最高的性能和选择hyperparameter值(见许et al。82年])。用户决定了搜索目标,部分,长度区间,等等,但更均匀和全球搜索可能比以前手动搜索。相反,越是hyperparameters搜索设置一次,总体搜索时间越长,成指数增加。

随机搜索(见Bergstra和Bengio [83年])类似于网格搜索但不同候选人hyperparameter值是通过随机抽样选择。这种方法可以同时减少不必要的重复和搜索值位于预定的时间间隔,这样可以更快地确定最优hyperparameter价值。随机搜索的缺点,可以获得意想不到的结果通过测试以外的各种组合的值由用户设定。

网格搜索和随机搜索算法如图5。在这项研究中,我们使用了网格搜索算法,因为它是最简单和最广泛的用于确定最佳hyperparameters [84年]。虽然随机搜索可以执行比网格搜索高维问题,根据Hutter et al。85年),我们的数据是简单的时间序列数据,候选人参数集是有限的;因此,我们使用网格搜索算法(86年,87年]。Python的技术堆栈用于实验。我们实现了机器学习算法和网格搜索通过“Keras”,“TensorFlow,”和“GmdhPy。”

3所示。实证结果

我们每天使用2886年时间序列数据点在cd期限结构从2008年10月到2019年10月。因为从2008年到2011年国际金融市场不稳定,我们将这些数据分成两个亚纪,我们测量了五种方法的预测性能我们使用高方差和相对低温度差的数据。第一个训练数据集从2008年10月1日到2019年1月22日(完整的时期),第二个是2008年10月1日至2011年9月9日9日(亚纪1),第三个是2 2012年1月至2019年1月22日(亚纪2)。我们选择我们的测试数据集的最后200天(从2019年1月23日到2019年10月29日,测试数据集1)为每一个成熟完整的时期,亚纪2,最后80天(从2011年9月12日到2011年12月30日,测试数据集2)的亚纪1。亚纪1和亚纪2有一个差距,因为亚纪1训练集的测试数据集2。这些所有情况总结表3。汇总统计数据表中提供的测试数据集4和5。测试数据集2个标准差高于测试数据集1。通过分析亚纪,我们比较模型的预测能力在一个相对不稳定的时期(亚纪2)和一段波动较小(亚纪1)。我们使用了网格搜索优化RNN的参数,LSTM, SVR, RMSE GMDH计算,MSE,日军,迈普,美比较这五种模型的性能。数据6- - - - - -11显示的性能- siegel, RNN LSTM SVR和GMDH模型,每个成熟度的测试数据集。

我们的主要研究结果可以概括如下:首先,如图6- - - - - -11,每一个cd期限结构模型提供了准确的预测。数据12- - - - - -14还表明,机器学习方法有类似的准确性和表现- siegel AR(1)模型。这证明机器学习模型可以应用于cd - siegel模型适合时间序列数据,预测利率期限结构和期限结构的cd。此外,GMDH, SVR, RNN有非常相似的精度在所有时间和期限。- siegel模型,其次,比较四种机器学习方法在预测能力,- siegel模型显示了所有测试集最贫穷的性能。即机器学习算法更有效比- siegel模型在预测CDS利差,利率期限结构的基础上,确定CDS利差水平中发挥着重要的作用。第三,在机器学习方法,GMDH礼物最好的预测结果。GMDH的错误被发现是在最低的五个方法,如表所示6- - - - - -8。此外,我们预计LSTM胜过RNN,但RNN模型略优于LSTM模型。然而,这仍然是有争议的结果,所介绍。机器学习算法之间的性能比较发现不同的结论在不同的研究55,56,88年- - - - - -91年]。第四,标准差较高的时期通常难以准确预测,见表7和8。此外,标准差较高的期限通常难以准确预测,见图12- - - - - -14。标准偏差的变化和预测误差对大多数相似误差措施除了日军和迈普,如图13。

4所示。摘要和结论

本研究的目的是比较对cd - siegel之间的期限结构的预测,RNN LSTM SVR, GMDH模型。我们确定最合适的模型来预测时间序列数据,尤其是CDS期限结构。CDS的传播是一个国家或公司的违约风险指数;因此,本研究是非常有用的,因为它不仅提供了最好的时间序列预测模型还预测未来的风险。

现有研究cd期限结构和其他风险指标的预测使用机器学习模型仍然不多;大多数集中在股票价格预测。这项研究很重要,因为它表明,各种机器学习模型可以应用到其他的时间序列数据,并进一步研究各种时间序列数据预计使用机器学习模型。这项研究还证实,数据驱动的方法,如RNN LSTM, SVR, GMDH,比模型驱动- siegel方法,通常用于分析cd期限结构。模型驱动方法的性能会下降,如果数据有相当数量的异常值,因为它依赖于假设数据集可以正式在一个特定的公式。在我们的数据集,异常值的存在很难做出预测了模型驱动的方法。相反,数据驱动的方法不受异常值影响(见Solomatine et al。92年),因为这些只考虑数据集,包括离群值。大多数数据今天有很多异常值,也就不足为奇了数据驱动的方法优于模型驱动的。

一些研究表明,线性模型,如基于“增大化现实”技术比人工神经网络(93年- - - - - -95年时间序列预测。然而,cd系列数据并不持久,稳定,如图1,所以基于AR - siegel过程执行更差比机器学习方法。换句话说,由于非线性,机器学习技术可以成功地用于建模和预测时间序列(96年- - - - - -One hundred.]。

基于实证结果中给出第三节,我们有三种含义。首先,数据驱动的方法是更有效的比理论模型的预测能力组成的理论变量影响金融资产的价格。当然,数据驱动的方法有更多的参数比的模型驱动方法和实现速度慢得多。但是,它是可以接受的使用机器学习算法不需要先验知识,如利率期限结构,更准确地预测cd期限结构。第二,我们需要改进现有的- siegel模型。我们表明,机器学习模型比- siegel模型对三例病例,这意味着这两种情况下的机器学习方法擅长这个任务,有一个因素- siegel的cd期限结构模型并不能反映。性能- siegel仍有改进的空间,尤其是在预测应用。第三,所有模型的性能取决于数据不符。在高度不稳定的数据段(亚纪1),所有模型都可预测波动较小的数据段(亚纪2)。在这两种方法中,模型性能不稳定时,数据是高度不稳定。图1表明,CDS期限结构从2012年到2019年看似普通但有一些不可预测的点相关的金融动荡从2008年到2011年。这种不同寻常的波动的一件事就是减少所有模型的预测性能。因此,有必要考虑一种新的方法,可以实现固体不管数据的波动性的预测性能。

我们的研究结果可以帮助投资者和决策者的风险分析公司或国家。CDS是一种传播指数代表信用违约的概率;因此,这项研究提供了一个衡量预测未来风险。例如,Zghal et al。101年)表明,CDS可以作为强大的对冲机制对欧洲股票市场的波动,和拉特纳和赵19)确认cd对股市风险的套期保值和避险特性在美国研究人员也可以应用机器学习模型来预测财务风险时间序列数据。

未来的研究应该运用同样的实验数据集以外的cd数据模型驱动和数据驱动方法的预测性能比较,比如隐含波动率表面。隐含波动率表面各种金融衍生品定价的基本概念。因此,在很长一段时间里,许多研究人员一直在研究,开发了各种模型(102年- - - - - -106年]。因为它是金融衍生品的评价的关键部分,比较现有波动之间的性能模型和数据驱动的模型在预测隐含波动率应该注意从学者和实践者。GMDH显示最好的预测性能cd期限结构用于这项研究。现在有必要确保GMDH执行最好的其他期限结构,比如波动率期限结构和收益率曲线,或其他CDS合约,例如,公司的cd和CDS指数。作为一个可能的未来研究,扩展- siegel模型可以使用,如状态变换(107年)和Nelson-Siegel-Svensson模型(108年),预测cd期限结构。通过网格搜索机器学习算法的优化,我们希望增加- siegel模型使用扩展模型的预测能力,而不是通过优化参数- siegel模型。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者感谢编辑Baogui鑫的宝贵意见帮助显著改善。这项工作得到了Gachon大学研究基金2018 (gcu部件- 2018 - 0295)和韩国国家研究基金会(NRF)授予由韩国政府(MSIT)(没有。2019 r1g1a1010278)。

引用

1. z和李诉Tam”比较研究复发性神经网络和支持向量机预测的股票价格变动的不同volatilites”计算情报学报2017年IEEE研讨会系列(1)IEEE,页1 - 8,巴黎,法国,2017年6月。视图:谷歌学术搜索
2. 周k . Chen y, f·戴“LSTM-based方法股票收益预测:一个案例研究中国股票市场”学报2015年IEEE国际会议上大数据(大数据)IEEE,页2823 - 2824年,圣克拉拉,CA,美国,2015年。视图:谷歌学术搜索
3. 高t、y柴和刘,“应用长期短期记忆的神经网络预测股票收盘价,”学报》2017年第八届IEEE软件工程和服务科学国际会议(ICSESS),IEEE,页575 - 578年,北京,中国,2017年11月。视图:谷歌学术搜索
4. f·肖、f·墨菲和f . O ' brien”的预测效率- siegel模型在信用违约互换(cds),动态”在国际商业和金融领域的研究,30卷,第368 - 348页,2014年。视图:出版商的网站|谷歌学术搜索
5. d . Avino和o . Nneji CDS利差预测吗?分析线性和非线性预测模型”,国际金融分析评论34卷,第274 - 262页,2014年。视图:出版商的网站|谷歌学术搜索
6. a . Sensoy f·j·法博齐,诉Eraslan,“新兴市场主权CDS市场的可预测性动态。”经济学的信件卷。161年,5 - 9,2017页。视图:出版商的网站|谷歌学术搜索
7. s . Neftci a·奥利维拉桑托斯,y,信用违约互换(cds)和金融危机的预测、2005、技术报告、工作报告系列。
8. Duyvesteyn和m . Martens”与默顿的模型预测主权违约风险”,《华尔街日报》的固定收入,25卷,不。2,58 - 71、2015页。视图:出版商的网站|谷歌学术搜索
9. d . f .灰色,r·c·默顿和z .伯帝镇始建,“或有声称主权信用风险度量和管理方法,“《投资管理,5卷,不。4,p。2007。视图:谷歌学术搜索
10. 钱云会和z h . Blommestein s Eijffinger”Regime-dependent欧元区主权CDS利差的决定因素,”《金融稳定卷。22日,10-21,2016页。视图:出版商的网站|谷歌学术搜索
11. j .锅和k . j .单例“默认和恢复隐含在主权CDS利差期限结构”《金融,卷63,不。5,2345 - 2384年,2008页。视图:出版商的网站|谷歌学术搜索
12. f·a·龙斯达夫j .锅l·h·彼得森和k . j .单例,“主权是主权信用风险如何?”美国经济日报:宏观经济学,3卷,不。2、75 - 103年,2011页。视图:出版商的网站|谷歌学术搜索
13. e . c . Galariotis p Makrichoriti, s . Spyrou“主权CDS传播因素和在金融危机溢出效应:一个面板var方法,”《金融稳定26卷,第77 - 62页,2016年。视图:出版商的网站|谷歌学术搜索
14. 斯利瓦斯塔瓦,h·林。m . Premachandra h·罗伯茨,“全球风险溢出和主权CDS传播的可预测性:国际证据,”国际经济与金融审查41卷,第390 - 371页,2016年。视图:出版商的网站|谷歌学术搜索
15. s . h . Ho”长期和短期主权CDS利差的决定因素在新兴国家,“在国际商业和金融领域的研究36卷,第590 - 579页,2016年。视图:出版商的网站|谷歌学术搜索
16. p·奥古斯汀,”CDS利差期限结构和主权信用风险,”《货币经济学卷。96年,76年53 - 2018页。视图:出版商的网站|谷歌学术搜索
17. e·鲍s·j·h·沙赫扎德,n . Raza和d . Roubaud“石油波动和金砖四国的主权风险,”能源经济卷,70年,第269 - 258页,2018年。视图:出版商的网站|谷歌学术搜索
18. e·鲍:Jalkh, d . Roubaud”大宗商品波动冲击和金砖四国的主权风险:GARCH-quantile方法,”资源政策卷,61年,第392 - 385页,2019年。视图:出版商的网站|谷歌学术搜索
19. m·拉特纳和c c。赵”,与信用违约互换对冲股票部门的风险,”国际金融分析评论卷,30岁,15岁至25岁2013页。视图:出版商的网站|谷歌学术搜索
20. s . Hammoudeh t . Liu C.-L。Chang和m . McAleer”风险的溢出效应与石油相关的cd、股票和信贷市场,”能源经济36卷,第535 - 526页,2013年。视图:出版商的网站|谷歌学术搜索
21. s . j . Hussain沙赫扎德·e·鲍,j . Arreola-Hernandez d . Roubaud和s . Bekiros“溢出在欧元区信贷市场部门和决定因素,”应用经济学,51卷,不。59岁的6333 - 6349年,2019页。视图:出版商的网站|谷歌学术搜索
22. s·j·h·沙赫扎德,s m .也r·费雷尔和s . Hammoudeh”不对称的CDS利差决定因素:美国通过NARDL行业级证据的方法,”经济模型,60卷,第230 - 211页,2017年。视图:出版商的网站|谷歌学术搜索
23. b .汉和y周”,了解信用违约互换(cds)利差期限结构,”实证金融杂志卷,31 - 35,2015页。视图:出版商的网站|谷歌学术搜索
24. w·黄y Nakamori, S.-Y。王”,与支持向量机预测股市运动方向,”电脑与行动研究,32卷,不。10日,2513 - 2522年,2005页。视图:出版商的网站|谷歌学术搜索
25. K.-j。金”,金融时间序列预测使用支持向量机”,Neurocomputing,55卷,不。1 - 2、307 - 319年,2003页。视图:出版商的网站|谷歌学术搜索
26. C.-J。陆,t·s·艾。李,c c。赵,“金融时间序列预测使用独立分量分析和支持向量回归,”决策支持系统卷,47号2、115 - 125年,2009页。视图:出版商的网站|谷歌学术搜索
27. P.-F。Pai和c。林,”一个混合arima和支持向量机模型在股票价格预测,“ω,33卷,不。6,497 - 505年,2005页。视图:出版商的网站|谷歌学术搜索
28. n . Amanifard n . Nariman-Zadeh m . h . Farahani和a . Khalkhali”造型的多个short-length-scale停滞细胞轴流式压缩机使用gmdh神经网络进化而来,“能量转换和管理卷,49号10日,2588 - 2594年,2008页。视图:出版商的网站|谷歌学术搜索
29. m . Najafzadeh G.-A。Barani”,比较组数据处理基于遗传编程方法和反向传播系统预测桥墩周围冲刷深度,“Scientia Iranica,18卷,不。6,1207 - 1213年,2011页。视图:出版商的网站|谷歌学术搜索
30. m . Witczak j . Korbicz m . Mrugalski, r·j·巴顿”GMDH神经网络鲁棒故障诊断方法:应用damadics基准问题,“控制工程实践,14卷,不。6,671 - 683年,2006页。视图:出版商的网站|谷歌学术搜索
31. 严h . h .欧阳,“金融时间序列预测基于深度学习,”无线个人通信,卷102,不。2、683 - 700年,2018页。视图:出版商的网站|谷歌学术搜索
32. y门敏和h . y . Kim Modaugnet:一个新的预测股票市场指数框架的价值的过度拟合预防lstm模块和预测lstm模块”专家系统与应用程序卷,113年,第480 - 457页,2018年。视图:出版商的网站|谷歌学术搜索
33. 和j·j .曹z . Li Li”金融时间序列预测模型基于ceemdan lstm,”自然史答:统计力学及其应用卷,519年,第139 - 127页,2019年。视图:出版商的网站|谷歌学术搜索
34. t·费舍尔和c·克劳斯”深度学习与长期短期记忆网络金融市场预测,“欧洲运筹学杂志》上,卷270,不。2、654 - 669年,2018页。视图:出版商的网站|谷歌学术搜索
35. p . Thottakkara t . Ozrazgat-Baslanti比比Hupf et al .,“机器学习技术应用到高维临床数据预测术后并发症,”《公共科学图书馆•综合》,11卷,不。5篇文章ID e0155705 2016。视图:出版商的网站|谷歌学术搜索
36. r . Motka诉Parmarl、b·库马尔和a。r . Verma“糖尿病预测使用不同的数据挖掘技术,”学报》2013年第四届国际会议上计算机和通信技术(ICCCT)IEEE,页99 - 103年,阿拉哈巴德,印度,2013。视图:谷歌学术搜索
37. n . Boyko t Sviridova, n . Shakhovska”中使用机器学习临床后果的预测癌症的疾病,”学报2018年7日地中海嵌入式计算会议(MECO),页1 - 6、IEEE Budva,黑山共和国,2018年。视图:谷歌学术搜索
38. p . j . Tighe c . a .麻的纤维,r·w·赫尔利h . Aytug a . p . Boezaart和r . b . Fillingim“教学机器感觉术后疼痛:高维临床资料结合机器学习算法来预测急性术后疼痛,”疼痛医学,16卷,不。7,1386 - 1401年,2015页。视图:出版商的网站|谷歌学术搜索
39. 崔s . y . j . Kim b·西蒙和d . Mavris”预测基于机器学习算法的天气航班延误,”张仁学报2016年IEEE / 35数字航空电子系统会议(DASC),页1 - 6,IEEE,萨克拉门托,CA,美国,2016年9月。视图:谷歌学术搜索
40. 美国大肠Haupt和b . Kosovic“大数据应用天气预报和机器学习:预测太阳能为实用程序操作,”学报2015年IEEE研讨会系列计算智能IEEE,页496 - 501年,开普敦,南非,2015年12月。视图:谷歌学术搜索
41. j .李承晚和j . Im,”气象干旱预测ungauged地区基于机器学习:使用远程气候预测和遥感数据,”农业和森林气象学卷,237 - 238,105 - 122年,2017页。视图:出版商的网站|谷歌学术搜索
42. 张s c·詹姆斯,y, f . O 'Donncha“机器学习框架来预测波条件下,“海岸工程卷,137年,页1 - 10,2018。视图:出版商的网站|谷歌学术搜索
43. 戴马x, z, z, j . Ma和王y, y . Wang”学习交通图片:深卷积神经网络用于大规模交通网络速度预测,“传感器,17卷,不。4 p。818年,2017年。视图:出版商的网站|谷歌学术搜索
44. c . r . y . Li Yu Shahabi, y . Liu”扩散卷积递归神经网络:数据驱动的交通预测,”2017年,http://arxiv.org/abs/1707.01926。视图:谷歌学术搜索
45. s . j .大学法洛自组织建模方法:GMDH算法类型卷,54岁的CRC出版社,1984年美国佛罗里达州博卡拉顿的。
46. m . Najafzadeh和h . m . Azamathulla”组的数据处理方法来预测桥墩周围冲刷深度,“神经计算和应用,23卷,不。7 - 8,2107 - 2112年,2013页。视图:出版商的网站|谷歌学术搜索
47. n . Nariman-Zadeh a Darvizeh, g . r . Ahmad-Zadeh”混合遗传GMDH-type设计神经网络使用奇异值分解爆炸切割过程的建模和预测,“美国机械工程师学会学报》上,B部分:工程制造》杂志上,卷217,不。6,779 - 790年,2003页。视图:出版商的网站|谷歌学术搜索
48. S.-Y。崔和c .香港”之间的关系的不确定性在石油和股票市场之前和之后的页岩气革命:从OVX证据,波动率指数,和VKOSPI波动性指数”《公共科学图书馆•综合》,15卷,不。5篇文章ID e0232508 2020。视图:出版商的网站|谷歌学术搜索
49. r·y·m·李,美国方和k·w·s .庄”预测房地产投资信托基金和股票指数:组的数据处理方法神经网络方法,”环太平洋地区房地产研究》杂志上,23卷,不。2、123 - 160年,2017页。视图:出版商的网站|谷歌学术搜索
50. 奶油蛋白甜饼,m . e . de Boyrie, A . m . Parhizgari”动态原油溢出分析对出口国家的主权信用风险的影响,“经济学和金融学的季度评估卷。68年,10-22,2018页。视图:出版商的网站|谷歌学术搜索
51. r . Ramezanian a Peymanfar, s . b . Ebrahimi”一个集成框架的遗传网络编程和多层感知器神经网络预测每天的股票回报:一个应用程序在德黑兰证券交易所市场,”应用软计算文章ID 105551卷,82年,2019年。视图:出版商的网站|谷歌学术搜索
52. Siami-Namini和a . s . Namin预测经济和金融时间序列:ARIMA与LSTM,2018,http://arxiv.org/abs/1803.06386。
53. 麦克纳利,j .罗氏,卡顿,“比特币的价格预测使用机器学习,”学报2018年26日Euromicro国际会议上平行,分布式和基于网络的处理(PDP)剑桥,页339 - 343年,英国,2018年。视图:谷歌学术搜索
54. b·科特斯卡雷拉,Y.-J。金,J.-Y。荣格,”一个架构为紧急事件使用LSTM复发性神经网络预测,“专家系统与应用程序卷,97年,第324 - 315页,2018年。视图:出版商的网站|谷歌学术搜索
55. j . Samarawickrama和t . g . i费尔南多,递归神经网络的方法在预测每天的股票价格:一个应用程序来斯里兰卡股市IEEE Peradeniya,斯里兰卡,2017。
56. s . Selvin r . Vinayakumar e·a·葛v . k .梅农和k . p .索曼”使用LSTM股票价格预测,RNN和CNN-sliding窗口模型,”学报2017年国际会议上的进步计算、通信和信息(ICACCI)IEEE,页1643 - 1647年,Udupi,印度,2017年9月。视图:谷歌学术搜索
57. c·r·纳尔逊·a·f·西格尔,“吝啬的建模的收益率曲线”,商业杂志,60卷,不。4、473 - 489年,1987页。视图:出版商的网站|谷歌学术搜索
58. b .郭、问:汉和b .赵”的- siegel模型期权隐含波动率期限结构和波动性组件,”《期货市场,34卷,不。8,788 - 806年,2014页。视图:出版商的网站|谷歌学术搜索
59. n s GrØnborg和a . Lunde”与- siegel模型,动态分析石油期货”《期货市场,36卷,不。2、153 - 173年,2016页。视图:出版商的网站|谷歌学术搜索
60. j .西方“长期农业期货价格估计- siegel模型,使用季节性”国际商业与管理杂志》上,7卷,不。3、78 - 93年,2012页。视图:出版商的网站|谷歌学术搜索
61. R.-R。程,x, l .吴“动态利率和信用风险之间的相互作用:在信用违约互换期限结构理论和证据,”财务审核,17卷,不。1,第441 - 403页,2011。视图:出版商的网站|谷歌学术搜索
62. m . Tsuruta”分解本币主权债券收益率的期限结构和主权信用违约互换(cds)利差,”北美经济和金融杂志》上卷,51条ID 101072, 2020。视图:出版商的网站|谷歌学术搜索
63. s . r . Gunn”为分类和回归支持向量机技术。众议员1页5-16,1998年,伊希斯技术报告。视图:谷歌学术搜索
64. 微积分,神经网络:一个全面的基础,普伦蒂斯霍尔PTR上台北,美国,1994年。
65. f . Perez-cruz j . a . Afonso-rodriguez j .杜松子酒et al .,“估计GARCH模型使用支持向量机,”定量金融学,3卷,不。3、163 - 172年,2003页。视图:出版商的网站|谷歌学术搜索
66. m . Mohri a Rostamizadeh, a . Talwalkar机器学习的基础美国马剑桥,麻省理工学院出版社,2018年。
67. l .曹和f·e·h·泰”,金融预测使用支持向量机”,神经计算与应用,10卷,不。2、184 - 192年,2001页。视图:出版商的网站|谷歌学术搜索
68. ,的Hochreiter和j。施密德胡贝尔表示“LSTM可以解决很难长时间滞后的问题,”学报第十届年会在神经信息处理系统(少量的1996)丹佛市,页473 - 479,美国1996年12月。视图:谷歌学术搜索
69. f·a·格尔和j。Schmidhuber,“网时间和计数,复发”诉讼IEEE-INNS-ENNS国际联合会议上的神经网络(IJCNN 2000)IEEE,页189 - 194年,科莫,意大利,2000年7月。视图:谷歌学术搜索
70. H.-G。齐默尔曼,c . Tietz和r . Grothmann”与递归神经网络预测:12个技巧”神经网络:做生意的诀窍施普林格,柏林,德国,2012年。视图:谷歌学术搜索
71. j .钟c . Gulcehre K.H.曹,y Bengio,“封闭的复发性神经网络的经验评估序列建模,”2014年,http://arxiv.org/abs/1412.3555。视图:谷歌学术搜索
72. a·g·Ivakhnenko“多项式复杂系统理论,”IEEE系统,人,控制论,SMC-1卷,不。4、364 - 378年,1971页。视图:出版商的网站|谷歌学术搜索
73. m . Najafzadeh G.-A。Barani, h . m . Azamathulla“GMDH预测冲刷深度码头在粘性土壤,“应用海洋研究40卷,35-41,2013页。视图:出版商的网站|谷歌学术搜索
74. g·p·刘,诉Kadirkamanathan多目标神经网络结构选择和识别标准使用遗传算法的非线性系统,”IEE Proceedings-Control理论和应用程序,卷146,不。5,373 - 382年,1999页。视图:出版商的网站|谷歌学术搜索
75. e·桑切斯·t·柴田先生,l .发问者德遗传算法和模糊逻辑系统:软计算的观点,世界科学,新加坡,1997年。
76. a . m . Ghaedi m . m . Baneshi a Vafaei et al .,“多元线性回归和组的比较方法,数据处理模型预测日落黄色染料去除活性炭从橡树木材,“环境技术与创新11卷,第275 - 262页,2018年。视图:出版商的网站|谷歌学术搜索
77. f . Khoshbin Ebtehaj, h·Bonakdari, h·阿,”帕累托的遗传设计小组的数据处理方法类型神经网络预测流量系数在直角边孔,“流量测量和仪表41卷,第74 - 67页,2015年。视图:出版商的网站|谷歌学术搜索
78. r . Shirmohammadi b . Ghorbani m . Hamedi M.-H。Hamedi, l·m·罗密欧”优化的混合制冷剂系统在低温应用程序通过小组的数据处理方法(GMDH)”天然气的科学与工程》杂志上26卷,第312 - 303页,2015年。视图:出版商的网站|谷歌学术搜索
79. m . Najafzadeh G.-A。Barani, h . m . Azamathulla”预测管道冲刷深度在水上和live-bed条件使用组的数据处理方法,”神经计算和应用,24卷,不。3 - 4、629 - 635年,2014页。视图:出版商的网站|谷歌学术搜索
80. 答:坂口和t .山本gmdh网络使用反向传播及其应用程序控制器设计,”学报2000年IEEE国际会议系统,人与控制论的控制论系统进化,人类、组织及其复杂的交互IEEE,页2691 - 2696年,纳什维尔,TN,美国,2000年。视图:谷歌学术搜索
81. d . Srinivasan“能源需求预测利用GMDH网络,”Neurocomputing,卷72,不。1 - 3、625 - 629年,2008页。视图:出版商的网站|谷歌学术搜索
82. C.-W。许,c c。Chang C.-J。林等。支持向量分类的实用指南国立台湾大学,台北,台湾,2003。
83. j . Bergstra和y Bengio hyper-parameter优化、随机搜索”机器学习研究杂志》上13卷,第305 - 281页,2012年。视图:谷歌学术搜索
84. n .先令m . Wistuba l . Drumond和l . Schmidt-Thieme”Hyperparameter优化多层感知器的映像。”机器学习与知识发现在数据库中施普林格,柏林,德国,2015年。视图:出版商的网站|谷歌学术搜索
85. f . Hutter j·鲁克和l . Schmidt-Thieme“手动调优hyperparameters之外,”KI-Kunstliche Intelligenz卷,29号4、329 - 337年,2015页。视图:出版商的网站|谷歌学术搜索
86. j .太阳,c .郑、李x和y,”分析为优化SVM hyperparameters两个类之间的距离,“IEEE神经网络,21卷,不。2、305 - 318年,2010页。视图:出版商的网站|谷歌学术搜索
87. c·桑顿f . Hutter h . h . hoo和k . Leyton-Brown”Auto-weka:分类算法的选择和hyperparameter优化相结合,”19 ACM SIGKDD学报》国际会议上知识发现和数据挖掘芝加哥,页847 - 855年,2013年8月,美国。视图:谷歌学术搜索
88. n·k·艾哈迈德,a . f . Atiya n . El Gayar和h . El-Shishiny“实证比较机器学习模型的时间序列预测,“计量经济学评论卷,29号5 - 6,594 - 621年,2010页。视图:出版商的网站|谷歌学术搜索
89. a . Khosravi l .马查多,r . o . Nunes“风速时间序列的预测使用机器学习算法:一个案例研究osorio风电场,巴西,“应用能源卷,224年,第566 - 550页,2018年。视图:出版商的网站|谷歌学术搜索
90. x秋张l . y . Ren, p . n . Suganthan和g . Amaratunga”回归和时间序列预测的合奏深度学习,”学报2014年IEEE整体学习研讨会上计算智能(天蓝色)IEEE,页1 - 6,2014年美国佛罗里达州奥兰多市。视图:谷歌学术搜索
91. a . v . Seliverstova d . a .奶油蛋白甜饼s . a . Tonoyan和y . e . Gapanyuk”时间序列预测公司的电力消费,”先进的神经计算、机器学习和认知研究II施普林格,柏林,德国,2018年。视图:出版商的网站|谷歌学术搜索
92. d . Solomatine l . m .看到,r . j . Abrahart“数据驱动建模:概念、方法和经验”实际Hydroinformatics施普林格,柏林,德国,2009年。视图:谷歌学术搜索
93. 美国阿拉斯和İ。d . Kocakoc”新模式选择策略与人工神经网络在时间序列预测:《国际先驱论坛报》,“Neurocomputing卷,174年,第987 - 974页,2016年。视图:出版商的网站|谷歌学术搜索
94. m . c .撑、j·施密特和m . Hadlin”比较与其他建立神经网络预测精度的技术,”第一届国际论坛论文集在应用神经网络的电力系统页,31-35 IEEE、西雅图、佤邦,美国,1991。视图:谷歌学术搜索
95. w·r·福斯特f . Collopy, l·h·安格“神经网络预测的短,嘈杂的时间序列,”计算机与化学工程,16卷,不。4、293 - 297年,1992页。视图:出版商的网站|谷歌学术搜索
96. U。C。BuyukşahinŞ。Ertekin”,提高时间序列数据的预测的准确性使用新的ARIMA-ANN混合方法和经验模态分解,“Neurocomputing卷,361年,第163 - 151页,2019年。视图:出版商的网站|谷歌学术搜索
97. a . Lapedes和r·法伯”,使用神经网络非线性信号处理:预测和系统造型,“技术。代表,1987年,技术报告。视图:谷歌学术搜索
98. m . c . Medeiros a Veiga, c, e . Pedreira”建模汇率:平滑过渡、神经网络和线性模型,”IEEE神经网络,12卷,不。4、755 - 764年,2001页。视图:出版商的网站|谷歌学术搜索
99. k . Rasouli w·w·谢长廷,a . j .大炮”每日流速及流水量预测与天气和气候输入,通过机器学习方法”《水文卷,414 - 415,284 - 293年,2012页。视图:出版商的网站|谷歌学术搜索
100. j . m . j . c . Reboredo Matias, r . Garcia-Rubio“非线性高频股票收益的预测,”计算经济学,40卷,不。3、245 - 264年,2012页。视图:出版商的网站|谷歌学术搜索
101. r . Zghal a Ghorbel, m . Triki“欧洲股市的动态套期保值模型行业信用违约互换和欧元斯托克50波动率指数期货,”伊斯坦布尔证交所审查,18卷,不。4、312 - 328年,2018页。视图:出版商的网站|谷歌学术搜索
102. S.-Y。崔,j。Fouque,黄永发。金,“混合随机下期权定价和地方波动,"定量金融学,13卷,不。8,1157 - 1165年,2013页。视图:出版商的网站|谷歌学术搜索
103. b . Dupire”定价微笑着,“风险,7卷,不。1,18 - 20,1994页。视图:谷歌学术搜索
104. j . Gatheral和a . Jacquier“无套利的表面,SVI波动”定量金融学,14卷,不。1,59 - 71年,2014页。视图:出版商的网站|谷歌学术搜索
105. p . s . Hagan深库马尔,a . s . Lesniewski d·e·伍德沃德,“管理风险,微笑”最好的维尔莫特1卷,第296 - 249页,2002年。视图:谷歌学术搜索
106. s·l·赫斯顿”,一个封闭的解决方案选择与应用程序具有随机波动性债券和外汇期权,“金融研究》第六卷,没有。2、327 - 343年,1993页。视图:出版商的网站|谷歌学术搜索
107. 香和朱x”状态变换- siegel和利率期限结构模型预测,“金融计量经济学杂志,11卷,不。3、522 - 555年,2013页。视图:出版商的网站|谷歌学术搜索
108. r . b . De Rezende和m . s .费雷拉,”建模和预测收益率曲线的扩展- siegel类模型:一个分位数回归方法,”杂志的预测,32卷,不。2、111 - 123年,2013页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020韩元Joong金等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。